由于多输入多输出系统的广泛使用,无线通信系统中的数据量成指数增长,怎样准确并且简便地建模无线信道也成为了 一个重要的研究课题。与此同时,基于簇的信道模型由于其能在保持信道模型准确性的同时降低复杂度的优点,得到了广泛使用,也被大多数组织写入了信道标准模型方案。而且使用聚簇算法对信道多径进行聚簇也是极其重要的一步。现在比较常用的高斯混合模型（Gaussian Mixture Model,GMM）聚簇算法由于算法机制的原因无法准确的对信道多径进行聚类。因此,本论文基于实际场景下的信道测量获取的信道数据开展用于未来无线信道中的聚簇算法的研究,并对几种算法在实测数据中进行了验证和分析,同时对聚簇结果进行了统计分析。在此基础上,继续研究在时变信道下簇的演变,为未来在时变场景下信道建模的应用打好基础,具体的研究内容如下:1.5G候选频段3.5GHz下的无线信道测量。为了获取用于研究聚簇算法的信道多径数据从而进行真实场景的信道测量,选取5G候选频段3.5GHz进行室外到室内场景下的信道测量。通过测量获取原始数据后,采用参数估计算法（Sapce-alternating Generalized Expection-Maximization,SAGE）从实际测量得到的信道冲击响应中提取信道多径的小尺度参数,从而获得用于之后聚簇研究的信道多径数据。2.静态信道下聚簇算法的研究。针对传统的KMeans聚簇算法准确性低并且无法适用于大量数据的缺点引入GMM,该算法是基于贝叶斯的原理,能显著提高聚簇精确度并且适用于数据量大的场景。为了进一步提高聚簇的精确度,提出了伽马贝塔混合模型（Gamma Beta Mixture Model,GBMM）,该模型是一种非高斯混合模型,分别采用贝塔分布和伽马分布来拟合角度数据以及时延数据,使得分布更加符合信道多径数据的特征,并且在实际测量参数中验证了 GMM模型和GBMM模型的聚簇性能,同时对两种算法得到的簇参数进行簇内统计特性分析。3.时变信道下多径簇追踪算法的研究。针对目前在时变信道中多径簇的追踪算法相对匮乏这一现象提出了伽马贝塔混合模型和二分图最大权匹配法相结合的追踪框架对时变信道中的信道多径进行聚簇和追踪。为了进一步提高追踪和聚簇的精确度,提出了一种基于概率的追踪算法,该方法能有效解决基于二分图的追踪算法主观性太强,精确度较低的缺陷。为了验证该算法的性能,采用3GPP（3rd Generation Partnership Project,3GPP）TR38.901标准信道模型生成具有时变特性的仿真数据并将该数据用于该追踪算法的验证与分析,同时对两种算法得到的簇参数进行了簇内统计特性分析。综上所述,本文面向未来的无线通信系统,开展了静态信道下聚簇算法和时变信道中聚簇追踪算法的研究,为了对新提出的算法进行验证,进行了真实场景下的信道测量,并基于测量数据和仿真数据分别对静态信道中的聚簇算法和时变信道中的聚簇追踪算法进行了验证分析。本文的研究内容对信道模型应用在未来大数据量场景和移动场景中提供了参考。